Руководитель группы ML-симуляции автопилота в Автономный транспорт

Workplace: Офис, Гибридный Система симуляции проезда помогает оценивать качество релизов ПО автономного автомобиля. Наша команда отвечает за то, чтобы технологии симуляции сенсоров были по-настоящему встроены в closed-loop-симуляцию и доведены до приёмок в продакшене. У нас большие планы и много интересных задач. Ключевые критерии качества автономного автомобиля — безопасность, комфорт и эффективность. Для их измерения мы в Яндексе разработали систему симуляции: она позволяет анализировать поведение авто в виртуальном окружении и оценивать влияние внешних и внутренних факторов на поведение машины. Мы отвечаем за то, чтобы технологии симуляции сенсоров — реконструкция локаций, синтез данных камер и лидаров — были по-настоящему встроены в closed-loop-симуляцию и доведены до приёмок в продакшене. Мы опираемся на наработки смежных команд по 3D-реконструкции и синтезу сенсоров и превращаем их в надёжный инструмент тестирования автопилота. Обязанности Управление командой Вы будете руководить командой разработчиков и ML-инженеров: ставить цели, декомпозировать их в задачи и вести от постановки до внедрения в продакшен. Также вы определите приоритеты развития симулятора: какие сенсорные эффекты и сценарии моделировать в первую очередь и как сочетать интеграцию готовых решений с собственной алгоритмической генерацией. Встраивание симуляции сенсоров в closed-loop-симуляцию Симулятор должен реалистично генерировать данные камер и лидаров, чтобы поверх них работал полноценный perception автопилота в closed loop. Вы будете встраивать в пайплайн решения по 3D-реконструкции локаций и синтезу сенсоров, отвечать за их стабильность и производительность в продакшене, а также за достоверность симуляции на уровне perception автопилота. Сюда же — выстраивание процессов валидации новых сигналов и возможностей автопилота в симуляции. Воспроизводимость CL-симуляции с сенсорами Цель — чтобы автопилот, читающий синтетические сенсоры, принимал те же решения, что и в аналогичной ситуации в реальности. Для этого нужно развивать собственную алгоритмическую генерацию сенсорных данных: IMU, телеметрии автомобиля, лидара. Сюда же — моделирование рельефа и дорожного покрытия с корректным отражением на всех сенсорах, включая IMU и камеры. Отдельное направление — полностью синтетические сцены, созданные в редакторе или сгенерированные LLM-агентом. Реалистичность мира: ассеты, LOD и перформанс Вы будете отвечать за назначение ассетов и LOD агентам в симуляторе. Мир должен быть реалистичным во всех деталях, включая артефакты сенсоров: rolling-shutter, влияние погодных условий и другие эффекты, воздействующие на восприятие. Отдельный фокус — перформанс: какие ассеты хранятся в памяти и подгружаются в рантайме, чтобы симуляции оставались быстрыми и масштабируемыми. Кросс-функциональная работа Симулятор — важнейший инструмент разработки, тестирования и приёмки ПО автономного транспорта. Вы будете собирать и приоритизировать заказы команд разработки: решать их силами своей команды или передавать смежным, управляя ожиданиями по точности системы и внедрению новых фич. Приоритет — воспроизведение сложных для автопилота дорожных ситуаций, чтобы находить и устранять их причины. Больше о бэкенде в Яндексе — в канале Yandex for Backend Требования * Управляли командой бэкенд- или ML-разработчиков * Занимались промышленной разработкой на C++ * Внедряли ML-модели в продакшен и готовы разбираться в новых архитектурах и областях * Умеете доводить исследовательские наработки до продакшена: ставить требования, принимать решения, отвечать за стабильность и производительность * Готовы работать руками на этапе прототипирования и проверки гипотез, в том числе писать исследовательский код и анализировать результаты * Умеете критически оценивать результаты и видеть потенциальные проблемы решений * Не боитесь браться за нерешённые задачи и готовы доводить свои идеи до продакшена Будет плюсом * Работали с симуляторами или робототехническими платформами (ROS, Gazebo, CARLA, NVIDIA Isaac Sim и др.) * Имели дело с симуляцией сенсоров, perception-подсистемами, 3D-реконструкцией (в том числе 3DGS) или генеративными моделями для синтеза данных * Понимаете, как устроены сенсоры и телеметрия автономного транспорта: камеры, лидары, IMU, нагрузка на оси, скорости вращения колёс * Знаете правила дорожного движения, водили автомобиль или мотоцикл